Die Materialinformatik (Materials Informatics) tritt in eine Phase ein, in der künstliche Intelligenz nicht mehr nur zur Datenanalyse oder zum Vorschlag neuer Zusammensetzungen eingesetzt wird, sondern auch zur Bestimmung der zu stellenden Fragen und zur Gestaltung des Forschungszyklus selbst. Der am 9. September 2026 veröffentlichte Artikel erörtert diesen Wandel anhand der Rolle großer Sprachmodelle (LLM) und intelligenter Agenten im Entwicklungszyklus von Materialien.
Die grundlegende Idee besteht nicht darin, dass künstliche Intelligenz den Forschenden ersetzen wird, sondern darin, dass sich die Verteilung der Rollen zwischen Mensch und System verändern wird. Statt ein einzelnes Experiment durchzuführen und anschließend dessen Ergebnis zu analysieren, kann eine wiederkehrende Schleife aufgebaut werden, in der der Algorithmus das nächste Experiment auf Grundlage der bisherigen Daten auswählt, während Verifikations- und Eingriffsentscheidungen weiterhin in das Prozessdesign eingebunden bleiben.
Von der Optimierung der Ergebnisse zur Auswahl des nächsten Experiments
Der Artikel erläutert, dass der Einsatz der Bayes’schen Optimierung in der Materialwissenschaft inzwischen eine sequenzielle Auswahl der nächsten Experimente ermöglicht. Die Methode stützt sich auf frühere Ergebnisse und die Unsicherheit des Modells und wählt anschließend den Punkt aus, von dem erwartet wird, dass er für die Forschung am nützlichsten ist. Dieser Ansatz gewährleistet jedoch allein weder eine vollständige Interpretation der Ergebnisse noch die Aufdeckung aller maßgeblichen Faktoren; sein Hauptziel besteht darin, innerhalb einer begrenzten Zahl von Experimenten den besten Wert zu erreichen.
Die Diskussion weist darauf hin, dass der Erfolg der Bayes’schen Optimierung davon abhängt, wie Variablen und Einschränkungen definiert werden. Wenn bestimmte Bedingungen nicht aufgenommen oder als außerhalb des Untersuchungsbereichs liegend betrachtet werden, kann sich der Bereich der Empfehlungen der künstlichen Intelligenz verändern, ohne dass dies für die Nutzenden klar erkennbar ist. Auch die Definition des Ziels selbst kann ein Forschungsproblem darstellen, insbesondere wenn die Beziehung zwischen der Zusammensetzung eines Materials und seiner Leistung nicht ausreichend bekannt ist.
Was bringen große Sprachmodelle zusätzlich?
Große Sprachmodelle können in die Gestaltung von Fragen einbezogen werden, etwa indem sie frühere Aufzeichnungen lesen, Informationen ordnen, Muster extrahieren oder erste Hypothesen formulieren. Der Artikel warnt jedoch davor, diese Fähigkeit mit der automatischen Erzeugung verlässlichen Wissens gleichzusetzen. Die aus den verfügbaren Informationen abgeleitete Schlussfolgerung der Modelle kann sich von dem Ergebnis unterscheiden, das die Forschenden erreichen möchten; außerdem können ihre Ausgaben die Grenzen der Daten und die Art der Fragestellung widerspiegeln.
Aus diesem Grund reicht es nicht aus, ein Sprachmodell in den Arbeitsablauf einzufügen. Erforderlich ist ein Mechanismus, der die Frage mit den Daten, dem Experiment und dem Verifikationskriterium verknüpft und anschließend das Ergebnis in die Forschungsschleife zurückführt, um die Frage zu aktualisieren oder das nächste Experiment auszuwählen. In dieser Form wird das Modell zu einem Bestandteil eines überprüfbaren Erkundungsprozesses und nicht zu einer alleinigen Quelle wissenschaftlicher Beurteilung.
Der Mensch innerhalb oder über der Schleife
Der Artikel erörtert das Konzept human-on-the-loop als ein Modell, in dem der Mensch das System überwacht und bei Bedarf eingreifen kann, anstatt wie im Modell human-in-the-loop an jedem Schritt manuell beteiligt zu sein. Diese Idee steht in Zusammenhang mit dem, was der Artikel im Kontext der Softwareentwicklung als „Schleifen-Engineering“ (loop engineering) bezeichnet: die Bestimmung der Position der künstlichen Intelligenz im Zyklus, dessen, was der Mensch überwacht, und des Zeitpunkts, zu dem der Prozess wiederholt oder angehalten wird.
Diese Vorstellung erweitert den Gestaltungsbereich von den Fähigkeiten des Modells auf den Entwurf des gesamten Systems. Es geht nicht nur darum, ob künstliche Intelligenz eine Antwort vorschlagen kann, sondern auch darum, wer sie überprüft, wie die Qualität des Ergebnisses gemessen wird, welche Maßnahme darauf folgt und wann die Entscheidung an den Menschen zurückgeht. Der Artikel erwähnt, dass sich die Diskussion über die Rolle des Menschen in der Automatisierung im Laufe des Jahres 2025 verstärkt hat, während 2026 Forderungen aufkamen, beim Entwickeln von Agenten der künstlichen Intelligenz über das Schleifen-Engineering nachzudenken.
Warum ist diese Nachricht wichtig?
Die praktische Wirkung dieses Ansatzes besteht darin, dass Projekte der Materialwissenschaft nicht nur anhand der Genauigkeit des Modells oder der Zahl der Experimente bewertet werden, die es durchführen kann. Sie benötigen außerdem eine klare Definition der Ziele, des Variablenbereichs, der Ausschlussbedingungen und der Punkte für die menschliche Überprüfung. Je größer die Fähigkeit des Systems wird, von einem Ergebnis zu einem neuen Experiment überzugehen, desto wichtiger werden die Nachvollziehbarkeit und die Überprüfbarkeit der Entscheidungen.
Der Artikel liefert jedoch keinen Beleg dafür, dass Agenten oder Sprachmodelle diese Einschränkungen gelöst haben. Vielmehr ordnet er sie als offene Designfragen ein: Wie wird ein Erfolgsergebnis definiert? Wie wird das Ergebnis mit dem anschließenden Verhalten verknüpft? Und wann ist menschliches Eingreifen notwendig? Der grundlegende Wert des vorgeschlagenen Wandels liegt daher nicht in der vollständigen Automatisierung der Forschung, sondern in der Neugestaltung des Forschungszyklus, sodass der Einsatz künstlicher Intelligenz überprüfbar und korrigierbar ist.